对于基于深度学习的立体匹配而言,模型的网络结构对算法精度的影响很大,而算法运行效率也是实际应用中需要考虑的重要因素。提出一种在视差维度上使用稀疏损失体进行立体匹配的方法。采用宽步长平移右视角特征图构建稀疏的三维损失体,使三维卷积模块所需的显存和计算资源均降低数倍。采用多类别输出的方式对匹配损失在视差维度上进行非线性上采样,并结合两种损失函数训练模型,在保证运行效率的同时提高算法精度。在KITTI测试集上,与基准算法相比,所提算法不仅提高了精度,而且运行时间缩短了约40%。

本文主要介绍如何使用python搭建：一个基于深度学习的**滚动轴承故障诊断**系统

卷积神经网络tiny_cnn代码

CNN_Faces_Recognition 基于卷积神经网络的人脸在线识别系统，本系统研究基于神经网络模型的人脸检测与识别技术，系统将由以下几个部分构成：制作人脸数据集，CNN神经网络模型训练，人脸检测，人脸识别。经过实验，确定该系统可对本人的人脸进行快速并准确的检测与识别。 关键词：神经网络；图像处理；人脸检测；人脸识别； TensorFlow；模型训练 本系统使用人脸数据集下载： : 详情博客： : 详情见微信公众号：AI大道理

利用卷积神经网络对mnist数据集进行分类，代码采用python进行编写，并有详细的注释，且文件自带mnist数据集。用户需要搭建好tensorflow环境配合python即可运行。

本篇博客tensorflow1.7,整个项目源码： 引言 本次博客将分享Udacity无人驾驶纳米学位的另一个项目，交通标志的识别。 本次项目实现主要采用CNN卷积神经网络，具体的网络结构参考Lecun提出的LeNet结构。参考文献： 项目流程图 本项目的实现流程如下所示： 代码实现及解释 接下来我们就按照项目流程图来逐块实现,本项目数据集： 如果打不开，则有备用链接： #import important packages/libraries import numpy as np import tensorflow as tf import pickle import matplotlib.pyplot as plt import random import csv from sklearn.utils import shuffle from tensorflow.contrib.laye

基于卷积神经网络(CNN)的VGG-19(Visual Geometry Group)模型,研究了卷积神经网络对输入纹理进行卷积时,输入纹理特征图的边缘信息对生成自然纹理效果的影响。在使用卷积神经网络的VGG对输入图像进行卷积时,为了防止过拟合现象,采用平均池化的方式对特征图进行处理,在一定程度上保护了特征图的边缘信息,相对采用最大池化处理特征图取得了更好的生成效果。同时,提取各层特征图的边缘信息并将其叠加到特征图中,能很好地保留纹理图像的边缘结构信息。实验结果表明,改进后的方法能取得较为理想的纹理生成效果。

研究小样本情况下，GAN在复杂产品费用预测上的应用。针对小样本情况下传统神经网络难以训练、预测准确度不高的问题，采用GAN网络与CNN网络结合的方法，借助GAN判别网络强大的特征提取能力，提取出样本的浅层特征，并将特征共享给CNN预测网络。CNN预测网络与判别网络共同约束生成网络，从而训练整个神经网络，最后以CNN预测网络进行复杂产品费用预测。以导弹作为复杂产品的样例进行实验，经实验论证，GAN-CNN联合网络预测的准确性约为95%。

颜色分类leetcode 外行术语中的算法： 机器学习中的水果图像识别过程与婴儿开始识别水果的过程非常相似。 例如，父母试图让婴儿学习颜色。 他们向宝宝展示颜色，并用它告诉宝宝颜色的名称。 而且他们只是不做一次，他们不断提醒宝宝并每天练习颜色识别练习！ 大脑中会发生一些化学物质，婴儿通过多次看到不同的颜色开始学习红色、黄色等颜色。 形状类似，宝宝开始认识圆形、矩形、三角形等。 然后父母不断提醒宝宝，如果它又红又圆，那就是“苹果”。 如果它是圆形的和橙色的，它就是一个“橙色”等等。 也许作为人类，宝宝以后也会通过嗅觉和味觉来识别水果。 所以，和父母一样，我们在机器学习模型（你可以考虑婴儿的大脑）中输入各种图像和一些数学方程（将其视为大脑中的那些化学React），这些方程识别不同的特征（婴儿会考虑的因素）识别水果，如颜色、大小、形状、气味、味道）。 通过不同的组合，宝宝最终会对水果进行分类。 因此，这里正在进行两项任务来识别图像的果实： 特征提取 --> 决定识别水果的因素 分类 --> 查看特征的组合并检查它与哪个水果最相似。 传统上，只有一种称为卷积神经网络 (CNN) 的算法用于与

基于卷积神经网络的图像识别研究